IMPLEMENTASI RECURRENT NEURAL NETWORK (RNN) PADA SISTEM PERUTEAN TIKET DUKUNGAN PELANGGAN

Hikmah, Awaliyatul (2020) IMPLEMENTASI RECURRENT NEURAL NETWORK (RNN) PADA SISTEM PERUTEAN TIKET DUKUNGAN PELANGGAN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (673kB)
	Text (BAB I) BAB I.pdf Download (220kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (915kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (525kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (717kB)
	Text (BAB V) BAB V.pdf Download (74kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (124kB)
	Archive (SOURCE CODE) Source Code-17.11.1262-Awaliyatul Hikmah - Awaliyatul Hikmah.zip Restricted to Repository staff only Download (207MB)
	Text (PUBLIKASI) Publikasi-17.11.1262-Awaliyatul Hikmah - Awaliyatul Hikmah.pdf Restricted to Repository staff only Download (526kB)

Abstract

Meningkatnya masalah dan berbagai permintaan dari pelanggan membuat tim dukungan di suatu perusahaan harus bekerja lebih keras. Berdasarkan data yang dilaporkan Forrester, 45% konsumen akan meninggalkan transaksi online mereka jika pertanyaan atau masalah mereka tidak ditangani dengan cepat. Sedangkan perutean tiket secara manual ke tim pendukung yang sesuai adalah strategi yang lambat dan tidak efisien, karena diperlukan waktu yang cukup panjang untuk dapat membuka, membaca, memahami, dan memberi label kategori yang sesuai hingga kemudian memberikannya kepada tim yang tepat untuk menangani masalah tersebut. Serangkaian kegiatan itu harus dilakukan dengan cermat dan teliti. Alih-alih cepat selesai, membaca dengan sepintas dan terburu-buru justru dapat menyebabkan tiket tersebut dirutekan pada tim yang salah dan berpotensi menimbulkan banyak masalah baru. Long Short-Term Memory (LSTM) yang merupakan salah satu varian dari Recurrent Neural Network (RNN) diusulkan untuk mengklasifikasikan tiket dukungan pelanggan sehingga dapat dirutekan pada tim yang tepat. Teknologi yang menerapkan kecerdasan buatan dengan pendekatan deep learning akan mengklasifikasikan tiket dukungan pelanggan dengan lebih cepat, akurat, dan hemat biaya, karena mesin hanya akan menetapkan label kategori yang telah ditentukan sebelumnya. Penelitian ini menggunakan 5150 data yang tersebar ke dalam 4 kelas kategori. Dengan menggunakan teknik 5-fold cross validation, akurasi rata-rata yang diperoleh dalam penelitian ini adalah 88.45% untuk pelatihan dan 83.82% untuk validasi. Adapun f1-score rata-rata pada kelima fold adalah 83.80%.

Actions (login required)

View Item